StrongSORT
StrongSORT: Make DeepSORT Great Again[1]
作者是来自北邮、上海AI Lab和英国Brunel University London的Yunhao Du, Zhicheng Zhao等人,论文引用[1]:Du, Yunhao et al. “StrongSORT: Make DeepSORT Great Again.” IEEE Transactions on Multimedia 25 (2022): 8725-8737.
Time
- 2023.Feb
Key Words
- missing association and missing detection
- appearance-free link model
- Gaussian smoothing interpolation
- 一句话来说:在DeepSORT的基础上,更换了一些组件和策略,例如检测器YOLOX、EMA、ECC、NSA Kalman、Motion Cost、Vanilla Matching,另外,针对missing association和missing detections,提出了appearance-free link model和Gaussian smoothing interpolation,
总结
- 最近,MOT吸引了很多的注意力,有了很多的进展。然而,现有的方法倾向于用多个基本的模型(检测器和嵌入模型)和不同的训练或者推理tricks。因此,构建一个好的baseline用于公平的对比是重要的。本文中首先回顾经典的tracker DeepSORT,然后从不同的角度进行改进,例如目标检测,特征嵌入和轨迹关联。提出的tracker称之为StrongSORT,为MOT社区贡献了一个强的和fair的baseline。更多的,两个轻量的和即插即用的算法被提出来了,用于解决MOT缺失的问题:缺失的关联和缺失的检测。特别地,不同于大多数的方法,用很高的计算复杂度将短的tracklet关联成完整的轨迹。作者提出了一个appearance-free link model(AFLink),不需要外观信息进行全局关联。实现了速度和精度的很好的平衡。另外,提出了高斯平滑插值,基于高斯过程回归来缓解丢掉的检测。AFLink和GSI可以很容易地插入到多个tracker中,有可以忽略的额外的计算成本。最后,通过将StrongSORT和AFLink和GSI融合,得到最终的tracker(StrongSORT++).